Analyse des extrêmes simulés par le modèle régional canadien du climat sur différentes régions de l'Amérique du Nord

ANALYSE DES EXTRÊMES SIMULÉS PAR LE MODÈLE RÉGIONAL CANADIEN DU CLIMAT SUR DIFFÉRENTES RÉGIONS DE L'AMÉRIQUE DU

NORD

THÈSE PRÉSENTÉE

COMME EXIGENCE PARTIELLE

DU DOCTORAT EN SCIENCES DE LA TERRE ET DE L'ATMOSPHÈRE

PAR PHILIPPE ROY

Avertissement

La diffusion de cette thèse se fait dans le respect des droits de son auteur, qui a signé le formulaire Autorisation de reproduire et de diffuser un travail de recherche de cycles supérieurs (SDU-522 - Rév.01-2006). Cette autorisation stipule ·que «conformément à l'article 11 du Règlement no 8 des études de cycles supérieurs, [l'auteur] concède à l'Université du Québec à Montréal une licence non exclusive d'utilisation et de publication de la totalité ou d'une partie importante de [son] travail de recherche pour des fins pédagogiques et non commerciales. Plus précisément, [rauteur] autorise l'Université du Québec à Montréal à reproduire, diffuser, prêter, distribuer ou vendre des copies de [son] travail de recherche à des fins non commerciales sur quelque support que ce soit, y compris l'Internet. Cette licence et cette autorisation n'entraînent pas une renonciation de [la] part [de l'auteur] à [ses] droits moraux ni à [ses] droits de propriété intellectuelle. Sauf entente contraire, [l'auteur] conserve la liberté de diffuser et de commercialiser ou non ce travail dont [il] possède un exemplaire.»

J'aimerais remercier mon directeur de thèse, Philippe Gachon, dont les encouragements m'ont convaincu, dans un premier temps, d'entreprendre ce grand projet qu'est le doctorat. Par ses connaissances diverses et poussées dans le domaine du climat, il m'a permis de me dépasser, au-delà de mes espérances. Son style d'encadrement était en adéquation avec mes aspirations. Sans sa rigueur exemplaire, son enthousiasme, cette thèse serait toujours dans les limbes de la science.

Je remercie aussi mon co-directeur, René Laprise, qui a partagé avec enthousiasme ses connaissances et intuitions, permettant d'approfondir plusieurs aspects de cette thèse. Un modèle de rigueur.

Je souligne aussi l'apport du département, à travers les collègues, ami(e)s, professeurs et personnel de soutien qui ont apporté une touche unique et inoubliable à 1' expérience.

Finalement, un merci sans pareil à ma compagne, Marie-Claude Simard, de m'avoir épaulé inconditionnellement durant ce long parcours et aussi pour ses suggestions, fort à propos, à ma recherche. Sans sa présence, son amour et sa générosité, ce projet n'aurait jamais vu le jour.

Page

LISTE DES FIGURES ... ix

LISTE DES TABLEAUX ... xvii

LISTE DES ACRONYMES ... xix

RÉSUMÉ ... XXlll INTRODUCTION ... 1

CHAPITRE 1 ASSESSMENT OF SUMMER EXTREMES AND CLIMA TE V ARIABILITY OVER THE NORTH-EAST OF NORTH AMERICA AS SIMULATED BY THE CANADIAN REGIONAL CLIMATE MODEL. ... 17

1.1 Introduction ... 21

1.2 Methodology ... 23

1.2.1 Mo del and observation data ... 23

1.2.1.1 Madel: The Canadian Regional Climate Madel ... 23

1.2.1.2 Observation data ... 25

1.2.1.3 Study are as ... 26

1.2.2 Validation methodology ... 27

1.2.2.1 Diagnostic: Extreme indices ... 27

1.2.2.2 Performance score ... 28

1.2.2.3 Systematic bias (SB) correction ... 29

1.3 Results ... 30

1.3.1 Analysis over the Region A ... 30

1.3.1.1 Spatial pattern of Bias ... 30

1.3.1.2 Probability distribution function of variables ... 31

1.3.1.3 Boxplot of extreme indices ... 31

1.3.1.4 Interannual variability ... 34

1.3.2 Mean spatial errors for the three regions ... 35

1.4 Discussion ... 37

CHAPITRE2

SENSITIVITY OF SEASONAL PRECIPITATION EXTREMES TO MODEL CONFIGURATION OF THE CANADIAN REGIONAL CLIMATE MO DEL

OVER EASTERN CANADA USING HISTORICAL SIMULA TI ONS ... 55

2.1 Introduction ... 59

2.2 Methodology ... 62

2.2.1 Experimental setup ... 62

2.2.2 Models description ... 65

2.2.3 Analysis ... 66

2.2.3.1 Extreme indices definitions ... 67

2.2.3.2 Performance score ... 67

2.2.3.3 Sample size impact on estimation (i.e. sampling error) ... 70

2.3 Results ... 72

2.3.1 Variance ratio and spatial correlation sensitivities ... 72

2.3.2 Maps ... 74

2.3.2.1 EAMS spatial patterns ... 74

2.3.2.2 Uncertainty (R) spatial patterns ... 77

2.3.2.3 Global means of EAMS and R ... 79

2.4 Discussion ... 80

2.4.1 Overview and causes of sensitivity ... 80

2.4.1.1 Overview ... 80

2.4.1.2 Modification of driving data (C_AOGCM) ... 81

2.4.1.3 Modification of driving member (M_AOGCM) ... 81

2.4.1.4 Modification of domain size (DS_RCM) ... 82

2.4.2 Win ter versus surnmer evaluation ... 84

2.4.3 Sample size ... 86

2.4.4 Heavy rainfall and mean precipitation ... 88

2.5 Conclusions ... 90

CONCLUSION ... 111

ANNEXE A Estimation de l'erreur standard en fonction des quantiles ... 121

ANNEXEB Résultats complémentaires du Chapitre I sur la zone B et C. ... 135

ANNEXEC Climatologie de la précipitation saisonnière moyenne et des indices d'extrêmes de précipitations du Chapitre II ... 143

ANNEXED

Incertitudes des indices d'extrêmes de températures ... 153 ANNEXEE

Incertitudes des indices d'extrêmes de précipitation pour la période future (2041-2070) ... 159 ANNEXEF

Distribution de la densité de probabilité des indices d'extrêmes de précipitation .... 167 BIBLIOGRAPHIE ... 171

LISTE DES FIGURES

Figure Page

1.1 Domain area over North America used for the CRCM simulations. The topography (in rn) is shown in col our sc ale ... 45 1.2 The three climatic regions used in the analysis and observation stations

(black dots). Region A covers Pennsylvania, Region B covers Ohio and parts of Indiana and Region C covers southeastern Ontario and southwestern Québec. For the observation station networks, the label NCDC refer to US data from the National Climate Data Center, EC to Environment Canada and MENV to Ministry of Environment in Québec ... 46 1.3 The topography (in rn) of region A is given from a) observed meteorological

stations (564 stations) and b) CRCM 45-km grid (interpolated from US Navy with 1/6° x 1/6° gridded topography) ... 47 1.4 Bias in region A for V3 and V 4 runs with respect to kriged values of a)

Tmax and, b) Tmin (absolute values in °C), and c) precipitation (relative values in %). All values are computed for the summer season (JJA) and over the 1961-1990 period ... 48 1.5 Summertime PDFs for region A of a) Tmax and b) Tmin (in

o

q

plot (in rnrn/day) of Precip for raw and BC variables. For Tmax and Tmin, the kemel-smoothing algorithm was used for the computation of probability estimate ... 49 1.6 Box-plot graphs for a) Tx90, b) TnlO, c) DTR, d) Prcpl, e) CDD, and f) P90

for region A. Middle red line indicates the median, blue rectangle is the

Inter-Quartile Range (IQR), the whisker corresponds to the values of 1.5*IQR and red dots to outliers ... 50 1.7 Standardized Anomaly for a) Tx90, b) TnlO, c) DTR, d) Prcpl, e) CDD, and

f) P90 for region A. V AR is the variance of the time series and R is the

Spearman correlation score. Only statistically significant correlations are retained (at the 95% level). "Not SS" means that the correlation is not statistically significant. ... 51 1.8 Mean performance score of V3 and V4 for a) Bias, b) Variance Ratio (VR),

Only statistically significant results (at the 95% level) are used for the computation of performance scores. Verticallines represent the Confidence Intervals (Cl), as calculated through a standard bootstrapping method ... 52 2.1 AMNO and QC (red box) domains. The topography (in rn) is shown in

col our sc ale ... 95 2.2 Coefficient of variation (CV) of mean seasonal precipitation and

precipitation indices for DJF and JJA, for Ensemble Absolute Mean Sensitivity (EAMS, left panel) and total uncertainty ( â"i07, right panel) estimations versus ensemble size ... 96 2.3 Spatial correlation (SC) versus variance ratio (VR) for ali experiments

defined in Table 2.3. Cyan color is for the internai variability (M_RCM), green color is for the choice of domain (DS_RCM), blue color is for the choice of AOGCM member (M_AOGCM) and red color is for the choice of LBC (C_AOGCM). Open marker represent winter (DJF) season while a filled marker represent summer (JJA) season ... 97 2.4 Winter (DJF) Ensemble Absolute Mean Sensitivity of DS_RCM (left

panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1). Only the statistically significant values at the 95% level (using the Student's t-test) are shown in colour scale ... 98 2.5 Summer (JJA) Ensemble Absolute Mean Sensitivity of DS_RCM (left

panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1). Only the statistically significant values at the 95% level (using the Student's t-test) are shown in colour scale ... 99 2.6 R_EMS associated with DS_RCM for Precip, Prcp 1, CDD and P95 for DJF

(left panels) and JJA (right panels) ... 100 2.7 Winter (DJF) relative contribution to the total uncertainty (R) of DS_RCM

(left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1) ... 101

2.8 Summer (JJA) relative contribution to the total uncertainty (R) of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1) ... 102

2.9 The 32 grid-points sub-area (shawn in green shading) used for the localized study of single DS_RCM experiment. ... 103 2.10 Spatial average of the absolu te mean sensitivity (Eq. 2.1) over the sub-area

shawn in Figure 2.9 of the five DS_RCM sensitivity experiments (see Table 2.3) for Precip (le ft) and P95 (right) for DJF. ... 103 2.11 Ratios of R_EMS of P95 over R_EMS of Precip ... 104 2.12 Ratio of the standard deviation of the interannual variability of heavy

rainfall (90th (left panel) and 95th (right panel) percentile) over the standard deviation of the interannual variability of mean seasonal precipitation (i.e. Precip ) ... 104 A.l. Écart-type des estimations en fonction de la taille des échantillons pour a)

une distribution normale et b) une distribution gamma ... 131 A.2. Linéarisation des courbes de la figure A.1 ... 131 A.3. Dépendance du facteur K(Q) pour a) la distribution normale, b)

1 'ajustement entre les 50e et 99e centiles pour la distribution normale, et c) la distribution gamma ... 131 A.4. Ratio de l'écart-type de la variabilité interannuelle des quantiles (90e, 95e,

99e) de la température maximale sur 1 'écart-type de la variabilité interannuelle de la température maximale moyenne ... 132 A.5. Ratio de l'écart-type de la variabilité interannuelle des quantiles (90e, 95e,

99e) de la précipitation sur l'écart-type de la variabilité interannuelle de la précipitation moyenne ... 133 B. 1 The topography (in rn) of region B is given from a) observed meteorological

stations (564 stations) and b) CRCM 45-km grid (interpolated from US Navy with 116° x 1/6° gridded topography) ... 135 B.2 The topography (in rn) of region C is given from a) observed meteorological

stations (564 stations) and b) CRCM 45-km grid (interpolated from US Navy with 116° x 116° gridded topography) ... 136

B.3 Bias in region B for V3 and V 4 runs with respect to kriged values of a) Tmax and, b) Tmin (absolute values in °C), and c) precipitation (relative values in %). Ali values are computed for the summer season (JJA) and over the 1961-1990 period ... 137

B.4 Bias in region C for V3 and V4 runs with respect to kriged values of a) Tmax and, b) Tmin (absolute values in °C), and c) precipitation (relative values in % ). Ail values are computed for the summer season (JJA) and over the 1961-1990 period ... 138

B.5 Summertime PDFs for region Bof a) Tmax and b) Tmin (in °C) and c) Q-Q

plot (in mm/day) of raw and BC variables. For Tmax and Tmin, the

kemel-smoothing algorithm was used for the computation of probability estimate .... 139

B.6 Summertime PDFs for region C of a) Tmax and b) Tmin (in

o

q

plot (in mm/day) of raw and BC variables. For Tmax and Tmin, the

kemel-smoothing algorithm was used for the computation of probability estimate .... 139

B.7 Box-plot graphs for region B for a) Tx90, b) TnlO, c) DTR, d) Prcpl, e) COD, and f) P90 for region A. Middle red line indicates the median, blue rectangle is the Inter-Quartile Range (IQR), the whisker corresponds to the values of 1.5*IQR and red dots to outliers ... 140 B.8 Box-plot graphs for region C for a) Tx90, b) TnlO, c) DTR, d) Prcpl, e)

COD, and f) P90 for region A. Middle red line indicates the median, blue rectangle is the Inter-Quartile Range (IQR), the whisker corresponds to the values of 1.5*IQR and red dots to outliers ... 140

B.9 Standardized Anomaly for region B for a) Tx90, b) TnlO, c) DTR, d) Prcpl,

e) COD, and f) P90 for region A. VAR is the variance of the time series and

R is the Spearman correlation score. Only statistically significant

correlations are retained (at the 95% leve!). "Not SS" means that the correlation is not statisticall y significant. ... 141

B.lO Standardized Anomaly for region C for a) Tx90, b) Tnlü, c) DTR, d)

Prcp 1, e) COD, and f) P90 for region A. V AR is the variance of the ti me

series and R is the Spearman correlation score. Only statistically significant

correlations are retained (at the 95% leve!). "Not SS" means that the

correlation is not statistically significant. ... 141

C.l Climatologie de la précipitation saisonnière moyenne (Precip) pour DJF

pour les simulations historiques et futures. La 1 ière colonne montre la période historique avec la grille AMNO. La ième colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille

QC ... 145

C.2 Climatologie de la précipitation saisonnière moyenne (Precip) pour JJA pour

historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 146 C.3 Climatologie de Prcp 1 pour DJF pour les simulations historiques et futures.

La 1 ière colonne montre la période historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 147 C.4 Climatologie de Prcp1 pour JJA pour les simulations historiques et futures.

La 1 ière colonne montre la période historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 148 C.5 Climatologie de CDD pour DJF pour les simulations historiques et futures.

La 1 ière colonne montre la période historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 149 C.6 Climatologie de CDD pour JJA pour les simulations historiques et futures.

La 1 ière colonne montre la période historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 150 C.7 Climatologie de P95 pour DJF pour les simulations historiques et futures. La

1 ière colonne montre la période historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 151 C.8 Climatologie de P95 pour JJA pour les simulations historiques et futures. La

1 ière colonne montre la période historique avec la grille AMNO. La i ème colonne montre la période historique avec la grille QC. La 3ième colonne montre la période future avec la grille AMNO et la 4ième colonne montre la période future avec la grille QC ... 152 D.1 Variance ratio (VR) and spatial correlation (SC) for all the experiment

green color is for the choice of domain (DS_RCM), blue color is for the choice of member (M_AOGCM) and red color is for the choice of AOGCM (C_AOGCM). Open marker represent winter (DJF) season while a filled marker represent summer (JJA) season ... 154 D.2 Winter (DJF) Ensemble Absolute Mean Sensitivity of DS_RCM (left

panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1). Only the statistically significant values at the 95% level (using the Student's t-test) are shown in colour scale ... 155

D.3 Summer (JJA) Ensemble Absolute Mean Sensitivity of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1). Only the statistically significant values at the 95% level (using the Student's t-test) are shown in colour scale ... 156

D.4 Winter (DJF) relative contribution to the total uncertainty (R) of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1) ... 157 D.5 Summer (JJA) relative contribution to the total uncertainty (R) of DS_RCM

(left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1) ... 158

E.1 Variance ratio (VR) and spatial correlation (SC) for ali the experiment defined in Table 2.3. Cyan color is for the internai variability (M_RCM), green color is for the choice of domain (DS_RCM), blue color is for the choice of member (M_AOGCM) and red co lor is for the choice of AOGCM (C_AOGCM). Open marker represent winter (DJF) season while a filled marker represent summer (JJA) season ... 161

E.2 Winter (DJF) Ensemble Absolute Mean Sensitivity of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1). Only the statistically significant values at the 95% level (using the Student' s t-test) are shown in col our sc ale ... 162

E.3 Summer (JJA) Ensemble Absolute Mean Sensitivity of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcp1 (d, e and f), CDD (g, h and i) and P95 (j, k and 1).

Only the statistically significant values at the 95% level (using the Student's t-test) are shown in colour scale ... 163

E.4 Winter (DJF) relative contribution to the total uncertainty (R) of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, b and c), Prcpl (d, e and f), CDD (g, h and i) and P95 (j, k and 1) ... 164

E.5 Summer (JJA) relative contribution to the total uncertainty (R) of DS_RCM (left panels), C_AOGCM (middle panels) and M_AOGCM (right panels) for Precip (a, band c), Prcp1 (d, e and f), CDD (g, h and i) and P95 (j, k and 1) ... 165

F.l Distribution de la densité de probabilité des indices de précipitation pour le point de grille situé à la latitude 45,6° Nord et longitude 286,5° Ouest sur la période 1961-1990 pour la saison d'hiver (panneau de gauche) et l'été (panneau de droite) ... 169

Tableau

1.1 Root square of kriging variance for maximum temperature (Tmax), minimum temperature (Tm in) and precipitation (Precip) for ordinary kriging

Page

for the three regions ... 53

1.2 Information about the three study regions defined in Figure 1.2, in term of latitude and longitude, number of CRCM grid points per area, number of observed stations and density of stations per CRCM grid cell, and data sources. P and T refer to precipitation and temperature, respectively, and the associated number in parentheses to the maximum and minimum number of available stations over the 1961-1990 period, respectively ... 53

1.3 List of the six extreme indices used in the study to analyze cold and warm extremes, diurnal amplitude of temperature, and wet days and maximum duration of dry sequences, as weil as extreme of precipitation. For more details, please refer to STARDEX, and to ETCCDI (Expert Team on Climate

Change Detection and Indices, see

http://www.clivar.org/organization/etccdi/etccdi.php) ... 54

2.1 Historical simulations used in the study from the Canadian Regional Climate Model (version 4.2.3) ... 105

2.2 Historical simulations used in the study for the assessment of the internai variability, using the Canadian Regional Climate Model (version 4.0.0 and 4.2.0) ... 105

2.3 List of the CRCM historical runs used for the sensitivity experiments. The first column provides the control/perturbed (CTLIPTB) runs with the respective domain in parenthesis. The second column lists the experiments associated with each pair of simulations given in the first co1umn. The third column provides the driving data and the fourth column gives the time period of the simulations ... 106

2.4 List of the three extreme indices used in the study to analyze wet days, maximum duration of dry sequences and heavy rainfall. For more details, please refer to ST ARDEX, and to ETCCDI (Expert Team on Climate

Change Detection and Indices, see

http://www.clivar.org/organization/etccdi/etccdi.php) ... 107

2.6 Spatially averaged EAMS score for DJF and JJA for Precip, Prcpl, CDD and P95. Red refers to the most important source of uncertainty, blue to the 2nd most important source of uncertainty, green to the 3rd and yellow to the least important source of uncertainty. Number in parentheses is the spatial standard deviation of the EAMS ... 108

2.7 Spatially averaged R score for DJF and JJA for Precip, Prcpl, CDD and P95. Red refers to the most important source of uncertainty, blue to the 2nd most important source of uncertainty, green to the 3rd and yellow to the least important source of uncertainty. Number in parentheses is the spatial standard deviation of R ... 1 08

2.8 Relative sensitivity (in absolute value) for DS_RCM for ail considered LBCs over the region shown in green area in Figure 2.9. Red refers to the highest sensitivity for a given season and green refers to the lowest sensitivity for a given season. CGCM3 (ECHAM5) is the average sensitivity from both #4 and #5 (#1 and #2) members ... 109

Liste française: ES MCGAO MRC MRCC TVE Liste anglaise: AMIP AMNO AOGCM BC C_AOGCM CaPA CDD CI CGCM2 CGCM3 CLASS CO RD EX CRCM CTL

cv

Modèle de Circulation Générale Atmosphère-Océan Modèle Régional du Climat

Modèle Régional Canadien du Climat Théorie des Valeurs Extrêmes

Atmospheric Madel Intercomparison Project North American domain

Atmosphere-Ocean General Circulation Madel Bias corrected

Driving Atmosphere-Ocean General Circulation Madel ex periment

Canadian Precipitation Analysis Consecutive Dry Days

Confidence Intervals

Second-generation Canadian Atmosphere-Ocean General Circulation Madel

Third-generation Canadian Atmosphere-Ocean General Circulation Madel

Canadian Land-Surface Scheme

Coordinated Regional Climate Downscaling Ex periment Canadian Regional Climate Mode!

Control

Coefficient of Variation December-January-February Domain size experiment Diurnal Temperature Range

Ensemble Absolute Mean Sensitivity Ensemble Mean Sensitivity

Environment Canada

Fifth-generation European Centre Hamburg Madel European Centre for Medium-Range Weather Forecasts ENSEMBLE-based Predictions of Climate Changes and their Impacts (http://ensembles-eu.metoffice.com/index.html) European Centre for Medium-Range Weather Forecasts global atmospheric reanalysis

ETCCDI IPCC IA IDMC IQR JJA LBC M_AOGCM MC2 MENV M_RCM NARCCAP NARR NCAR NCDC NCEP NSERC OBS P90 P95 PBL PDF Prcpl Precip PRUDENCE PTB QC Q-Q Plot RCM R_EAMS R_EMS SB

sc

Expert Team on Climate Change Detection and Indices Intergovernmental Panel on Climate Change

Interannual anomalies

Internai Displacement Monitoring Centre Inter-Quartile Range

June-Joly-August

Lateral Boundary Condition Member choice experiment

Compressible community mesoscale mode] Ministry of Environment in Québec

Internai variability experiment

North American Regional Climate Change Assessment Pro gram

North American Regional Reanalysis National Center for Atmospheric Research National Climate Data Center

National Centers for Environmental Prediction

Natural Sciences and Engineering Research Council of Canada

Observations

90th percentile of Precipitation 95th percentile of Precipitation Planetary Boundary Layer Probability Density Fonction Wet days

Precipitation

Prediction of Regional scenarios and Uncertainties for Defining EuropeaN Climate change risks and Effects (http://prudence.dmi.dk/).

Perturbed Québec domain

Quantile-Quantile Plot Regional Climate Mode]

Relative Ensemble Absolute Mean Sensitivity Relative Ensemble Mean Sensitivity

Systematic bias Spatial correlation Sea Surface Temperature

ST Atistical and Regional dynamical Downscaling of

EXtremes for European regions

(http:/ /www .cru. uea.ac. uk/pro jects/stardex/). Daily Maximum Temperature

Tn10 Tx90

us

VR

lOth percentile of daily minimum temperature

90th percenti1e of daily maximum temperature United States

CRCM version 3.7.1 CRCM version 4.1.1

Vulnerabilities and Impacts Assessment Variance ratio

Cette thèse vise à évaluer la capacité du Modèle Régional Canadien du Climat (MRCC) à reproduire différentes caractéristiques des extrêmes climatiques à l'échelle saisonnière et à estimer leur niveau d'incertitude causé par une modification de la configuration opérationnelle du MRCC. À travers l'utilisation d'indices climatiques décrivant les extrêmes de température et de précipitation quotidiens, nous analyserons leurs comportements et leurs incertitudes sur différentes régions climatiques du nord-est de l'Amérique du Nord. Par ailleurs, nous proposerons une analyse concernant l'importance du schéma de sol dans la simulation des extrêmes de température et de précipitation. Suivra une analyse de la sensibilité du climat et de la variabilité interannuelle simulée, engendrée par une modification de la configuration opérationnelle.

La première partie (Chapitre I) aborde la validation et la comparaison de deux versions différentes (3.7.1 et 4.1.1) du MRCC piloté par des ré-analyses (NCEP-NCAR) quant à la reproduction des extrêmes observés et la variabilité climatique durant l'été sur la période historique 1961-1990. Les variables analysées sont la précipitation quotidienne et les températures quotidiennes (minimales et maximales) au-dessus de trois régions situées dans le nord-est de l'Amérique du Nord qui sont caractérisées par une topographie et une densité de stations d'observations différentes. La validation est effectuée en utilisant plusieurs indices d'extrêmes climatiques qui caractérisent la fréquence, l'intensité et la durée des événements de précipitation et de température. L'évaluation de la capacité du MRCC est faite à travers une analyse des distributions statistiques, une métrique de performance et la variabilité interannuelles des anomalies des indices d'extrêmes. La référence observationnelle est construite en interpolant (krigeage) les données observées quotidiennes sur la grille de 45 km du MRCC. La vaste majorité des résultats indiquent que la version 4.1.1 du MR C améliore la simulation des événements extrêmes par rapport à la version 3.7.1. En particulier, l'intensité des extrêmes de températures maximales, l'amplitude diurne thermique, la fréquence des jours de pluie, la sécheresse saisonnière et, dans une moindre mesure, les températures minimales extrêmes et les précipitations extrêmes. L'étude suggère que ces améliorations sont principalement causées par l'introduction d'un schéma de surface plus réaliste (CLASS 2.7), qui incorpore une représentation du contenu en humidité dans le sol plus sophistiquée. Ceci illustre l'importance de la paramétrisation des processus de surface comme source d'incertitude des extrêmes simulés par un MRC.

La deuxième partie (Chapitre II) aborde l'estimation de l'incertitude des extrêmes saisonniers de précipitation (hiver et été) tel que simulés par la version 4.2.3

du MRCC en considérant quatre sources d'incertitude: a) la taille du domaine, b) le

choix des données qui pilotent le MRCC, c) le choix du membre d'un modèle donné et d) la variabilité interne du MRCC. La précipitation quotidienne issue de 16 simulations historiques (1961-1990) est anal y sée. Ces simulations sont pilotées par

deux Modèles Couplés Globaux Atmosphère-Océan (MCGAO) différents (i.e.

CGCM3, membres # 4 and # 5, and ECHAM5, membres # 1 and # 2), ainsi que par

un produit de ré-analyses (i.e. ERA40). Deux domaines différents sont utilisés et

couvrent un domaine commun situé au-dessus du nord-est de l'Amérique du Nord.

En plus de la précipitation saisonnière moyenne, trois indices d'extrêmes de

précipitations sont analysés: le nombre de jours de pluie (2:1 mm jour-1), le nombre

maximum de jours consécutif sans pluie ( <1 mm jour-1) et le 95è centile de la

précipitation. Les résultats montrent que le choix du MCGAO pilotant le MRCC est

la source principale d'incertitude pour les deux saisons. Durant l'été, le choix de

domaine est la deuxième source d'incertitude, suivi du choix de membre d'un

MCGAO. Durant l'hiver, le choix de membre du MCGAO est plus important que le

choix de domaine. Ces trois sources d'incertitudes demeurent plus importantes que la

variabilité interne du MRCC. Pour tous les indices d'extrêmes, l'incertitude sur la variance de la variabilité interannuelle est plus importante en hiver qu'en été.

L'incertitude de la précipitation extrême est plus importante que l'incertitude de la

précipitation saisonnière moyenne. Certaines régions présentant d'importants

forçages montrent une incertitude systématique.

Mots-clés : modèle régional de climat, extrêmes, ensemble, incertitude, taille du

Le climat régule les activités humaines et module les caractéristiques des milieux naturels (i.e. déserts, forêts, végétation, etc.) de la planète à travers la distribution spatio-temporelle de variables telles que la température, la précipitation, les vents, etc. La variabilité naturelle du climat est constituée d'une variété de forçages (orbite terrestre, cycle solaire, éruption volcanique, etc.) qui agissent sur une multitude d'échelles de temps (millénaire, décennale, interannuelle, intra-annuelle, etc.), caractérisant le climat à l'échelle globale et régionale. Superposée à ces variations, il apparaît de plus en plus probable qu'une interaction significative entre le climat et l'activité humaine est en cours depuis les débuts de l'ère industrielle ( -1850), à travers, entre autres, l'injection de quantités considérables de gaz à effet de

serre et d'une modification des caractéristiques du sol (i.e. urbanisation,

déforestation, etc.) (Forster et al. 2007). D'une part, on note que la concentration atmosphérique de C02 a atteint 400 ppm à l'observatoire Mauna Loa (le 9 mai 2013)

pour la première fois depuis le début des mesures en 1958 (NOAA 2013) et excède es

concentrations naturelles mesurées (180 à 300 ppm) depuis 650 00 ans (Jansen et al.

2007). L'émergence économique de pays comme la Chine, le Brésil et l'Inde impose

un stress considérable sur l'augmentation des émissions de gaz à effet de serre.

D'autre part, la modification des caractéristiques du sol altère les échanges entre les différentes composantes du système climatique (atmosphère, lithosphère, cryosphère, biosphère, etc.), telle que la réduction de la superficie mondiale des forêts qui diminue la capacité d'absorption du co2 ou l'urbanisation des terres agricoles qui modifie les flux de chaleurs sensible et latente, flux d'humidité et/ou les propriétés radiatives de surface (i.e. via l'albédo) entre le sol et l'atmosphère (Forster et al. 2007).

Le dernier rapport du groupe d'experts intergouvernemental sur l'évolution du

surface (entre 1906 et 2005) à 0,74°C +1-O,l8°C (Trenberth et al. 2007). On note des changements assez variés englobant la plupart des variables climatiques comme une augmentation du niveau moyen de la mer (Bindoff et al. 2007), une diminution de la couverture de glace sur les océans (Lemke et al. 2007), une modification des patrons spatiaux de la précipitation et une modification de la circulation générale de l'atmosphère (Trenberth et al. 2007). Ces changements globaux sont caractérisés par une forte variabilité spatiale causée par 1' interaction entre la circulation atmosphérique de grande échelle et les forçages régionaux ou locaux qui modulent l'amplitude et le signe des changements climatiques à 1 'échelle régionale ou locale. En particulier, les extrêmes météorologiques et climatiques sont fortement influencés par cette interaction ou la combinaison entre l'échelle globale et locale (Diffenbaugh et al. 2005).

Les événements climatiques ou météorologiques extrêmes (i.e. sécheresses, inondations, vagues de chaleur, précipitations intenses, etc.) jouent un rôle prépondérant dans la vulnérabilité des populations à 1' échelle régionale (Beniston et al. 2007; Yiou et al. 2008). Par ailleurs, selon l'Observatoire des situations de déplacements internes (IDMC), plus de 32,4 millions de personnes ont été contraintes de quitter leur domicile en 2012 suite à des catastrophes naturelles (inondations, tempêtes et tremblements de terre), dont 98% de ces déplacements étant liés à des phénomènes climatiques et météorologiques (Yonetani et al. 2013). Or, dans un tel contexte, toutes modifications des extrêmes climatiques peuvent engendrer des impacts significatifs sur les systèmes naturels et anthropiques.

L'anal y se des données observées indique des modifications de certaines caractéristiques d'événements climatiques ou météorologiques extrêmes depuis les années 1950 (i.e. diminution des extrêmes froids, augmentation des extrêmes chauds, augmentation des événements de précipitation intense, etc.) (Groisman et al. 2005; Trenberth et al. 2007; IPCC 2012). Ces modifications présentent une variabilité

spatiale non-négligeable; par exemple certaines régions présentent une augmentation du nombre et de la durée des sécheresses (par exemple, 1 'Europe du sud), tandis que d'autres régions présentent une tendance inverse (par exemple, la partie centrale de l'Amérique du Nord) (IPCC 2012). ll faut noter cependant que les observations concernant les changements dans les extrêmes sont très éparses et que la confiance en ces résultats n'est pas aussi élevée que pour les valeurs moyennes (IPCC 2012). Ceci est dû en partie parce que les extrêmes sont, par définition, des événements rares engendrant de petites bases de données pour fin d'analyse et d'autre part, parce que la nature complexe de certains extrêmes (i.e. combinaison d'événements) rend l'analyse plus ardue. Les projections des extrêmes climatiques (issues d'un ensemble de modèles régionaux et globaux) indiquent une augmentation probable des sécheresses, du niveau de la mer et des cyclones tropicaux; une augmentation fortement probable des vagues de chaleur et des précipitations intenses; une augmentation presque certaine du nombre de nuits chaudes et une diminution du nombre de nuits froides (Alexander et al. 2009). Par conséquent, l'effet des changements anticipés dans les extrêmes, jumelés aux impacts observés sur les systèmes naturels et anthropiques, résulte en un besoin croissant au sein de la communauté scientifique, des décideurs politiques et des groupes d'études sur les impacts et l'adaptation aux changements climatiques pour des projections fiables des extrêmes climatiques à l'échelle régionale et locale (Alexander et al. 2009). Bref, alors que les extrêmes ont un impact essentiellement régional, (Beniston et al. 2007), les projections climatiques des extrêmes s'avère être un domaine de recherche où le niveau d'incertitude est élevé, en particulier pour les événements complexes de précipitations comme les inondations et les sécheresses (IPCC 2012).

La différenciation entre extrêmes climatiques et météorologiques en est une essentiellement d'échelle de temps (IPCC 2012). Les extrêmes météorologiques sont

des événements caractérisés par une échelle de temps relativement courte (horaire,

tandis que les extrêmes climatiques se déroulent sur des échelles de temps plus longues (saison, annuel, décennal, multi-décennal). Par ailleurs, les extrêmes climatiques peuvent résulter de l'accumulation ou de la combinaison de plusieurs événements météorologiques (qui sont eux-mêmes des extrêmes météorologiques ou non) (IPCC 2012), comme les inondations qui peuvent résulter d'une accumulation d'eau (elle-même extrême) suite à une succession d'événements de précipitation non-extrêmes, ou une sécheresse qui résulte d'une absence de précipitations sur une période prolongée. Les extrêmes climatiques peuvent aussi être une combinaison d'événements qui résulte en un événement extrême, comme la combinaison d'une importante accumulation de neige au sol au début du printemps combinée à des précipitations qui peuvent causer des inondations, ou la combinaison d'une marée haute avec des vents importants, qui a des effets notables sur 1' érosion des berges. On souligne que les événements qui se combinent ne sont pas nécessairement extrêmes, mais que leur combinaison peut provoquer un impact important. Par soucis de simplicité, nous combinons dans cette thèse les deux types d'extrêmes (météorologiques et climatiques) sous l'appellation d'extrêmes climatiques.

La littérature concernant la description des extrêmes climatiques s'appuie généralement sur l'utilisation d'indices d'extrêmes climatiques ou sur la Théorie des Valeurs Extrêmes (TVE) (IPCC 2012). La TVE spécifie 1' extraction des maximums selon deux méthodes principales : 1) en prenant la valeur maximale (ou minimale) dans une période de temps donnée (mensuel, saisonnier, annuel, etc.) ou 2) en prenant tous les événements au-dessus ou au-dessous d'un seuil prescrit (Co les 2001 ). Ces événements extrêmes (extraits selon une des deux méthodes) tendent

asymptotiquement vers des distributions d'extrêmes spécifiques: la famille des

Distribution Généralisée des valeurs Extrêmes selon la première méthode d'extraction (Coles 2001) ou une distribution généralisée de Pareto lorsque la deuxième méthode d'extraction est utilisée (Coles 2001; Naveau et al. 2005; Yiou et al. 2008). Ces distributions d'extrêmes permettent de décrire le comportement des queues de

distribution de la variable étudiée sur une base statistique robuste, permettant, à partir d'un échantillon restreint, de calculer les périodes de retour des événements extrêmes.

La caractérisation des extrêmes par une approche par indices climatiques (cf. projets STARDEX, http://www.cru.uea.ac.uk/research et ETCCDI, «Expert Team on Climate Change Detection and Indices »,

http://www.clivar.org/organization/etccdi/etccdi.php), consiste à utiliser des variables dérivées des températures et de précipitations quotidiennes qui permettent de décrire les extrêmes en termes d'intensité, de durée et d'occurrence. Les indices d'extrêmes incluent notamment le pourcentage, le nombre ou la fraction de jours où la variable étudiée (température, précipitation, vents, etc.) est soit au-dessus ou au-dessous d'un seuil relatif ou d'un centile spécifique (généralement 1er, se, IOe, 90e, 95e ou 99e centile), soit en utilisant un seuil absolu (par ex. nombre de jours où la température dépasse 30°C) dans une période donnée Uours, mois, saison ou année) que l'on compare parfois à une période de référence (IPCC 2012). Cette approche al' avantage de décrire ou de tenir compte de certaines caractéristiques du climat, par exemple les occurrences de jours de pluie, la durée des sécheresses, les vagues de chaleur/froid et les précipitations extrêmes, qui ont des effets majeurs sur les systèmes naturels et humains permettant ainsi des applications dans les études d'impacts et d'adaptation dans les domaines tels que la santé, 1' agriculture et 1 'hydrologie.

Comme suggéré précédemment, les extrêmes climatiques sont à la fois conditionnés par les forçages à grande échelle, à travers les caractéristiques de la circulation atmosphérique d'échelle synoptique (par ex. cyclone/anticyclone, blocage ou intensification de la circulation atmosphérique, etc.), mais également par les facteurs régionaux ou locaux, comme un changement dans les conditions de surface (contraste terre-mer, température du sol, humidité dans le sol, couverture de neige, glace marine, etc.) et/ou la présence de relief qui peuvent exacerber les conditions

l'importance potentielle d'une anomalie négative d'apport d'humidité du Golfe du Mexique sur les États-Unis et à l'origine de l'établissement d'une sécheresse importante durant l'été 2012 (Hoerling et al. 2013) qui aurait été amplifiée par un déficit important de l'accumulation de neige au début du printemps (19% de la normale climatique de l'accumulation de neige; Trenberth 2013), ou la perte de glace dans l'Arctique ayant pour effet de favoriser certains extrêmes de températures et de précipitations sur l'Amérique du Nord (Francis et Vavrus 2012). Par conséquent, à la fois pour des besoins d'analyse des processus physiques impliqués dans l'occurrence et les changements des extrêmes mais également pour des besoins dans les études d'impacts et d'adaptation, des projections robustes des conditions climatiques nécessitent une modélisation qui reproduit adéquatement l'interaction entre la grande échelle et les forçages régionaux et locaux.

Simulation des extrêmes par les modèles du climat

La grande majorité des projections climatiques est issue de Modèles Climatiques Globaux couplés Atmosphère-Océan (MCGAO) qui couvrent l'ensemble du globe. Parce que les MCGAO sont des modèles dans lesquels de nombreux phénomènes très complexes sont à prendre en considération (en intégrant la modélisation de l'océan et son couplage avec l'atmosphère, la glace de mer, etc.) et qu'ils couvrent la totalité de la biosphère du globe, ils sont très coûteux en temps de calcul informatique. Ceci force l'utilisation d'une résolution horizontale restant relativement faible, soit de l'ordre de plusieurs centaines de kilomètres. Cette basse résolution implique une limitation du nombre de processus physiques de fines échelles qui peuvent être explicitement résolus dans le MCGAO, et ceux-ci sont paramétrés grossièrement à l'échelle de la résolution du modèle. TI a été montré (Wehner et al. 2010) qu'une augmentation de la résolution d'un MCGAO améliorait la simulation des extrêmes de précipitation annuelle. Cependant, la résolution des MCGAO opérationnels demeure trop grossière pour simuler adéquatement les

processus physiques de fines échelles qui sont à 1 'origine de 1' occurrence des extrêmes de précipitation à l'échelle horaire (Kendon et al. 2012). Or, le coût informatique d'une simulation de haute résolution avec un MCGAO est prohibitif. Une des techniques qui permet une résolution plus élevée, tout en conservant un coût informatique raisonnable consiste à utiliser un modèle régional climatique (MRC) avec une plus haute résolution (de l'ordre de quelques dizaines de km), mais sur une partie seulement du globe, en utilisant aux frontières les données issues d'un MCGAO ou de ré-analyses. L'utilisation des modèles régionaux et/ou d'autres méthodes de régionalisation à haute résolution s'avère nécessaire afin d'inclure non seulement les forçages de grandes échelles, mais également afin de tenir compte des processus de sous-échelle non-résolus dans les MCGAO, comme une meilleure représentation des nuages, un contraste terre-mer plus réaliste, une topographie plus fine, des processus convectifs mieux définis et/ou des interactions physiques plus réalistes entre les conditions de surface et 1' atmosphère.

Incertitudes des simulations climatiques

Dans un contexte d'utilisation des variables simulées par les modèles dans les études d'impacts et d'adaptation, le degré de fiabilité des simulations climatiques à l'échelle régionale doit être évalué (Murphy et al. 2009; de Elfa et Côté 201 0; Rowell 2011). Un nombre important d'études se sont penchées sur l'incertitude de la moyenne de la température et de la précipitation (Déqué et al. 2007; Lynn et al. 2009; de Elfa et Côté 2010; Rowell 2011), ainsi que sur les événements extrêmes de précipitation à l'échelle horaire (Kendon et al. 2012), saisonnière (Colin et al. 2010), ou à travers l'utilisation de la TVE sur les maximums annuels de précipitation (Mailhot et al. 2012) au-dessus du Canada ou des extrêmes saisonniers de précipitation au-dessus des États-Unis d'Amérique (Wehner 2013). Cependant, aucune étude ne s'est attardée à évaluer l'incertitude sur les occurrences, les intensités et les durées des séquences sèches et humides à l'échelle régionale au-dessus de

l'Amérique du Nord, en utilisant les indices climatiques présentés précédemment basés sur les distributions saisonnières des précipitations quotidiennes.

Les MRCs incorporent plusieurs sources d'incertitudes. En effet, comme les MRCs utilisent, à leurs frontières, les données simulées par les MCGAO, ils incorporent donc de facto les incertitudes des MCGAO en plus des incertitudes structurelles (i.e. choix de domaine, paramétrisation des processus de sous-échelle, etc.) inhérentes à l'utilisation d'un MRC (une discussion sur les différentes sources d'incertitude est présentée dans la suite). L'augmentation de la résolution ne résulte pas nécessairement en une diminution de l'incertitude dans le MRC par rapport au MCGAO, puisque l'ajout de processus climatiques complexes résulte plutôt en une addition de non-linéarité dans le système et produit un spectre de solutions plus large et instable (Maslin et Austin 2012). Par conséquent, bien que la simulation climatique à l'échelle régionale soit plus réaliste que dans le cas des MCGAO, il s'ensuit que l'utilisation d'un MRC peut résulter en une incertitude plus importante que la seule utilisation d'un MCGAO de plus basse résolution.

L'utilisation des projections climatiques issues d'un modèle climatique comporte le plus souvent les quatre sources d'incertitude distinctes (cf. Murphy et al. 2009; Separovic 2012): a) structurelle, b) la paramétrisation des processus physiques, c) la nature chaotique du système climatique, et d) les scénarios climatiques. L'incertitude structurelle réfère à la sensibilité des variables simulées selon les configurations de base du MRC (i.e. taille du domaine de simulation, données pilotant le MRC et résolution horizontale et verticale du MRC). Cette incertitude structurelle est souvent considéré comme étant l'incertitude minimale (ou de base) d'une simulation. Quant à la paramétrisation des processus physiques, la résolution des modèles impose d'inclure, sous forme de paramétrisation, les effets de certains processus de sous-échelle de manière à reproduire l'effet de ceux-ci à l'échelle résolue par le modèle. Pour un processus donné, il peut exister plusieurs types de

paramétrisations et d'approximation ou de formulation des processus empiriques. Par conséquent 1 'incertitude varie selon le choix de la paramétrisation utilisée et des paramètres utilisés dans celle-ci. Ces paramètres ne découlent pas seulement de lois physiques, mais aussi de termes d'ajustement issus de connaissances empiriques du phénomène à considérer (ex. flux turbulents de chaleur ou d'humidité à l'interface sol-atmosphère). Par exemple, le taux d'absorption du dioxyde de carbone en fonction des différents types de couverture terrestre (Maslin et Austin 2012) affecte les processus d'évaporation des plantes et constitue une source d'incertitude issue d'une part, de processus variablement connus et d'autre part, de la façon dont ces processus sont incorporés dans les modèles. La troisième source d'incertitude provient de la nature chaotique, non linéaire, du système climatique que l'on appelle généralement la variabilité interne (ex. Lucas-Picher et al. 2008). Cette variabilité interne est provoquée par la sensibilité des modèles numériques aux conditions initiales. En effet, de petites perturbations dans les conditions initiales engendrent des solutions différentes et conséquemment deux simulations vont avoir tendance à diverger dans le temps. Cependant, cette divergence tend à disparaître lorsque le nombre d'années utilisé pour moyenner le signal climatique augmente (de Elfa et Côté 201 0). Finalement, dans le cas des projections du climat futur, il existe plusieurs scénarios d'émissions de gaz à effet de serre (Nakicenovic et al. 2000; Meinshausen et al. 2011). Ces scénarios comportent une grande part d'incertitude dans leur élaboration, reliée au scénario de croissance démographique ou économique, ou aux choix dans 1 'utilisation des matières premières ou des ressources énergétiques disponibles (i.e. combustibles fossiles), etc. Pour représenter cette incertitude, plusieurs scénarios ont été développés et représentent l'évolution potentielle de la croissance économique, démographique et sociale des prochaines décennies.

Une des composantes de l'incertitude structurelle d'un MRC est la taille et la localisation du domaine d'intégration. Par construction, le domaine est un paramètre déterminé le plus souvent de façon arbitraire qui influence les simulations climatiques

à 1' échelle régionale (Vannitsem et Chomé 2005). Ce choix est souvent fait à partir de considérations pratiques, en situant le domaine au-dessus de la région d'intérêt, sans égard aux processus physiques et dynamiques, situés en amont ou en aval de cette région. Souvent les simulations utilisent des domaines d'intégration plutôt petits dans le but de réduire le coût en temps de calcul ou dans l'intérêt de pouvoir augmenter la résolution du MRC, en permettant de tenir compte possiblement des processus apparaissant à plus haute résolution dans le plus petit domaine, à coût numérique équivalent à un plus grand domaine mais avec une résolution plus grossière. Cette stratégie peut apparaître comme une approche viable puisque l'étude de Colin et al. (2010) a montré que la grandeur du domaine affectait peu la simulation des précipitations intenses (i.e. 95e et 99e centile). Toutefois, Leduc et Laprise (2009) et Leduc et al. (2011) ont montré que l'usage de domaines plus petits peut avoir des effets non négligeables sur les statistiques des précipitations simulées par rapport à un domaine plus grand. Par ailleurs, dans une perspective de validation, l'étude récente de Eum et al. (2012), utilisant une comparaison avec des valeurs observées sur le Sud du Québec, a montré qu'un domaine de plus petite taille donne une incertitude systématique plus faible (pour la précipitation saisonnière, en terme de distribution spatiale et temporelle, incluant les extrêmes) comparée à un plus grand domaine, en utilisant les mêmes conditions aux frontières (ré-analyses), en adéquation avec la diminution du degré de liberté (par rapport aux conditions aux frontières) d'un plus petit domaine.

Par ailleurs, le choix d'un domaine plus petit est souvent fait dans la perspective que les valeurs spatialement moyennées sont généralement similaires, sur

le domaine commun, aux valeurs issues d'un domaine d'intégration plus grand.

Cependant, les champs hautement variables comme la précipitation sont fortement

modulés par les processus locaux qui peuvent être influencés par les interactions entre les échelles synoptiques et la méso-échelle développées par le MRC dont les degrés de liberté dépendent de la taille du domaine. Dans cette perspective, il est donc

important d'estimer 1 'incertitude qui découle de l'utilisation d'un domaine plus

restreint comparativement à un plus grand domaine sur la simulation de l'occurrence,

de 1 'intensité et de la durée des séquences humides et sèches, et plus précisément

d'estimer la variabilité spatiale et temporelle de cette incertitude. Cette variabilité

spatiale pourrait s'avérer importante sur certaines régions selon la variable ou la

saison considérée. L'influence (significative) du domaine sur certaines variables (pression moyenne au niveau de la mer, précipitation et humidité relative) au-dessus

de 1 'Amérique du Nord a été étudiée par plusieurs auteurs (Leduc et Laprise 2009;

Leduc et al. 2011), dans un contexte « Big-Brother » (Denis et al. 2002). Il apparaît

pertinent d'évaluer cette incertitude (et variabilité spatiale) dans un contexte plus

proche d'une utilisation réelle d'un MRC (i.e. en utilisant des configurations typiques

d'une simulation régionale pour fin d'analyse par les groupes d'impacts et

d'adaptation). Cette incertitude doit être évaluée afin de faciliter l'utilisation et

l'interprétation des informations climatiques fournies par les MRCs dans les modèles

ou les études d'impacts et d'adaptation aux changements climatiques.

Différentes méthodes sont utilisées pour estimer 1 'incertitude des simulations

climatiques quant à la paramétrisation (ou paramètres) et aux facteurs structurels du

MRC considéré. La première consiste à étudier l'incertitude d'un modèle donné en faisant varier les paramètres ou les paramétrisations physiques de celui-ci, par

exemple en modifiant les paramètres reliés à la convection profonde ou à la

condensation stratiforme pour une seule version du MRCC (par ex. Separovic 2012). Cette approche évalue l'incertitude qui découle des différentes paramétrisations disponibles (i.e. facteur« b »). La deuxième approche consiste à estimer l'incertitude des simulations en utilisant un ensemble de simulations issues d'un ou plusieurs modèles différents et permet d'évaluer, entre autres, l'incertitude dite structurelle, en modifiant la taille du domaine, les données aux frontières, la résolution, etc., lorsque la même version de MRC est utilisée. Plusieurs études récentes ont utilisées cette dernière approche pour analyser l'incertitude, comme dans le cadre du projet

Européen ENSEMBLES (Ensemble-Based Predictions of Climate Changes and their Impacts, Hewitt (2004)) ou via l'usage des simulations disponibles du projet Européen PRUDENCE (Prediction of Regional Scenarios and Uncertainties for Defining European Climate Change Risks and Effects, Christensen et Christensen (2007)), et le projet nord Américain NARCCAP (North American Regional Climate Change Assessment Program, Mearns et al. (2009)). Malgré les nombreux avantages que représentent ces études d'intercomparaison ou ces exercices de simulations d'ensemble, plusieurs inconvénients persistent. Par exemple, les centres de modélisations échangent régulièrement sur leurs résultats et les connaissances acquises, ainsi les déficiences systématiques quant à la modélisation de certains processus, peuvent perdurés entre des modèles distincts (Tebaldi et Knutti 2007; Pennell et Reichler 2010; Knutti et al. 2013). On note aussi que la construction de tel ensemble de simulations est tributaire, la plupart du temps, d'une opportunité de recherche selon les groupes impliqués et donc par conséquent, les modèles présents dans l'ensemble ne représentent pas nécessairement une population exhaustive et entièrement représentative des modèles disponibles (Kendon et al. 2010; Masson et Knutti 2011; Knutti et al. 2013). On estime donc que l'incertitude évaluée à l'aide d'un ensemble de simulations peut être sous-estimée par rapport à l'incertitude réelle représentée par la population totale des modèles disponibles. Par ailleurs pour la température, dans une perspective d'ensemble, Kendon et al. (2010) suggèrent de favoriser un ensemble maximisant le nombre de MCGAO disponibles, plutôt que d'augmenter le nombre de MRC utilisés. Cependant, au-dessus de certaines régions présentant un forçage local ou régional important (i.e. les Alpes ou les Rocheuses), il est parfois plus avantageux de favoriser un nombre accru de MRC, compte tenu notamment de l'importance des processus régionaux dans l'établissement du régime de température et de précipitation (Kendon et al. 2010; Wehner et al. 2010). L'utilisation d'un ensemble de simulations est un pré-requis pour distinguer le signal de changements climatiques par rapport au bruit numérique des modèles (i.e. la

variabilité interne des modèles), en augmentant la robustesse sur les amplitudes et le

signe du changement climatique obtenu à l'échelle régionale.

Objectifs et approches utilisées

Les deux principaux objectifs de cette thèse sont : 1) d'identifier les forces et les faiblesses des MRCs dans la simulation des extrêmes de températures et de précipitation, dont 1' occurrence, 1' intensité et la durée peuvent avoir un impact

significatif sur les systèmes naturels et humains, et 2) d'analyser les différentes sources d'incertitudes structurelles des MRCs et de quantifier l'influence de ces

modifications structurelles sur la simulation des extrêmes de précipitation en utilisant une approche par simulations d'ensemble. Pour ces deux objectifs, nous utiliserons

une caractérisation des extrêmes par indices climatiques tels que décrit précédemment. La thèse est présentée sous forme d'articles scientifiques.

Pour répondre au premier objectif, le Chapitre I s'attarde plus particulièrement

sur la validation des extrêmes saisonniers tels que simulés par deux versions (3.7.1 et 4.1.1) du Modèle Régional Canadien du Climat (MRCC) au-dessus de trois régions

du Nord-est de l'Amérique du Nord sur la période historique de 1961 à 1990. Cette

validation s'effectue en comparant les extrêmes simulés aux extrêmes observés sur la

période estivale Uuin-juillet-août), période durant laquelle les extrêmes aux latitudes moyennes sont particulièrement importants, avec les impacts parmi les plus marqués sur les écosystèmes et l'activité humaine (i.e. agriculture, feux de forêts, inondations/sécheresses, précipitations intenses). Les données de référence ayant servies à la validation ont été développées sous forme de données observées interpolées (interpolation quotidienne par krigeage ordinaire (Matheron 1962; 1963a; b) à la résolution du MRC utilisé. Cette base de données a été construite à partir des données quotidiennes de stations d'observation d'Environnement Canada et du National Climatic Data Center (NCDC, www.ncdc.noaa.gov) de la température

(maximale et minimale) et de la précipitation (totale). Les indices étudiés dans le Chapitre 1 sont : le lüe centile de la température minimale quotidienne (Tn 1 0), le 90e centile de la température maximale quotidienne (Tx90), 1' amplitude thermique diurne (DTR), l'occurrence de jours de pluie (Prcp1), le nombre maximum de jours secs consécutifs (CDD), et le 90e centile de la précipitation quotidienne (P90). En plus d'une validation générale des extrêmes simulés, les simulations utilisées provenant de deux versions du MRCC qui présentent deux schémas différents de paramétrisation de surface vont aussi nous permettre d'estimer l'importance des interactions entre le sol et l'atmosphère (i.e. flux de chaleur, contenu en eau dans le sol, etc.) sur la simulation de ces extrêmes selon la version du MRC utilisée. L'analyse sur trois régions et deux variables permettra aussi d'évaluer l'incertitude des extrêmes selon la région et la variable étudiée.

Pour répondre au deuxième objectif, le Chapitre II s'attarde plus particulièrement à la quantification de l'incertitude de la précipitation selon les quatre facteurs suivants : choix de domaine, choix du membre, choix du MCGAO (incertitude structurelle) et variabilité interne (incertitude numérique). Pour cela, un ensemble de 16 simulations issues de la version 4.2.3 du MRCC, pour la saison d'hiver et d'été sur le nord-est de l'Amérique du Nord, couvrant la période historique 1961-1990 a été utilisé. Les indices étudiés dans le Chapitre II concernent : 1 'occurrence des jours de pluie (Prcp 1 ), le nombre maximal de jours secs consécutifs (CDD) et le 95e centile de la précipitation (P95). La quantification de 1 'incertitude reliée à chacune des quatre sources décrites précédemment concernera la variabilité temporelle et spatiale de la précipitation totale quotidienne en plus des indices suggérés précédemment. L'analyse sur deux saisons distinctes nous permettra d'étudier la dépendance saisonnière des différentes sources d'incertitude.

Un travail supplémentaire, abordé dans le Chapitre II et présenté dans l'Annexe A, a consisté à estimer la contribution relative de l'incertitude associée à

15

l'évaluation des quantiles élevés (i.e. valeurs extrêmes), par rapport à l'incertitude associée à l'évaluation de la moyenne (i.e. erreur standard d'estimation). Comme la taille de l'échantillon ou le nombre d'ensembles nécessaire influence l'évaluation

«robuste ou adéquate» du climat moyen ou des extrêmes climatiques étudiés, cette analyse permettra de mieux interpréter l'évaluation des autres facteurs ou la part relative de chacune des sources d'incertitude sur la simulation des variables

climatiques d'intérêt.

Finalement, l'annexe B présente quelques résultats supplémentaires reliés au

Chapitre I. L'annexe C présente la climatologie de la précipitation et des indices d'extrêmes pour les 16 simulations du Chapitre II. L'annexe D présente l'incertitude, tel qu'abordé dans le Chapitre II, pour des indices de température. L'annexe E présente l'incertitude des indices de précipitation pour la période future de 2041 à 2070. L'annexe F montre les distributions typiques des indices de précipitation tel que décrit au Chapitre II.

ASSESSMENT OF SUMMER EXTREMES AND CLIMATE V ARIABTI..,ITY OVER THE NORTH-EAST OF NORTH AMERICA AS SIMULATED BY THE

CANADIAN REGIONAL CLIMATE MODEL

Ce chapitre est présenté sous forme d'article scientifique publié dans

International Journal of Climatology. La référence complète est :

Roy, P., P. Gachon, and R. Laprise. 2012. «Assessment of summer extremes and

climate variability over the North-East of North America as simulated by the Canadian Regional Climate Model». International Journal of Climatology, vol. 32, p. 1615-1627.

Abstract

The present study focuses on the evaluation and comparison of the ability of

two versions of the Canadian Regional Climate Model (CRCM) driven by re-analyses

(NCEP-NCAR) to reproduce the observed extremes and climate variability in

summer (1961-1990). The analyzed variables are daily precipitation, minimum and

maximum temperatures over three regions located in north-eastern North America

that are characterized by different topography and observation density. The validation

has been performed with multiple climate extreme indices characterizing the

frequency, intensity and duration of precipitation and temperature events. The

assessment of the ability of the CRCM is done through an in-depth analysis of the

statistical distribution, performance scores and interannual variability of extreme indices. The reference database has been constructed by kriging the daily observed

data from local meteorological stations onto the CRCM 45-km grid. The vast

majority of results over the three regions show that, with respect to the previous (i.e.

3.7.1) CRCM version, the latest version (4.1.1) improves in general the simulated

extreme events. In particular, the intensity of extreme hot summer temperature,

diurnal temperature range, wet days occurrence, seasonal dry spell, and to a lesser extent extreme cold summer temperature and heavy rainfall. The study suggests that improvements in the simulated extremes in the latest version are due mainly to the

introduction of the new land surface scheme (CLASS 2.7), with a more sophisticated

representation of the soil moisture content. This suggests the importance of surface processes parameterization as a potential cause of errors in simulated extremes.

1.1 Introduction

Main concems for the vulnerability, impacts and adaptation (VIA) studies are related to changes in extremes and climate variability at the regional scale. These studies need to take into account fine-scale physical feedbacks affecting regional systems, especially when society, ecosystems or infrastructures are concerned. In particular, frequency and severity of extreme events, perhaps more so than graduai changes in the average climate (Mearns et al. 1984; Katz et Brown 1992) play an important role in socioeconomic impacts. Latest coupled Atmosphere-Ocean Global Climate Models (AOGCM) used in the Fourth Assessment Report from the Intergovernmental Panel on Climate Change (IPCC) have a typical resolution varying from 100 to 400-km (IPCC 2007), which is still too coarse to realistically represents climate variability and extremes at the regional scale. Climate change projections from AOGCM cannat be applied directly at the regional scale without further downscaling of the information. Hence, there is an increasing need among the scientific community and policy maker for climate projections of climate variability and extremes at regional and fine temporal (i.e. daily or sub-daily) scales, as they will likely have significant impacts on the environment and human activities.

Dynamical downscaling of AOGCM simulations, such as he use of a Regional Climate Models (RCM), is a useful tool to develop high-resolution climate scenarios at appropriate temporal and spatial scales relevant for VIA studies. The high resolution of RCMs can take into account regional forcing (orographie features or land/sea discontinuities) not explicitly included in AOGCMs (e.g. Mearns et al. (2003)), which is a potential added value for the simulation of realistic extreme events. In particular, this includes subgrid-scale processes parameterizations dealing with clouds and precipitation (Meehl et al. 2000), as weil as surface and boundary